論文の概要: The Consensus Trap: Rescuing Multi-Agent LLMs from Adversarial Majorities via Token-Level Collaboration

• arxiv url: http://arxiv.org/abs/2604.17139v1
• Date: Sat, 18 Apr 2026 20:31:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 21:52:52.354312
• Title: The Consensus Trap: Rescuing Multi-Agent LLMs from Adversarial Majorities via Token-Level Collaboration
• Title（参考訳）: コンセンサストラップ: token-Level Collaboration による敵列列からのマルチエージェントLPMの回収
• Authors: Jiayuan Liu, Shiyi Du, Weihua Du, Mingyu Guo, Vincent Conitzer,
• Abstract要約: 崩壊したエージェントが局所的な多数派を形成すると、応答レベルアグリゲーションが崩壊する。 本稿では, エージェントが共有自己回帰文脈内で連続的に生成をインターリーブするToken-Level Round-Robin(RR)コラボレーションを提案する。 我々は、RRがこの臨界しきい値を超え、堅牢な精度を維持していることを証明した。
• 参考スコア（独自算出の注目度）: 32.17285446393425
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multi-agent large language model (LLM) architectures increasingly rely on response-level aggregation, such as Majority Voting (MAJ), to raise reasoning ceilings. However, in open environments, agents are highly susceptible to stealthy contextual corruption, such as targeted prompt injections. We reveal a critical structural vulnerability in current multi-agent systems: response-level aggregation collapses when corrupted agents form a local majority. Because voting aggregates fully-formed conclusions, it is blind to flawed intermediate logic. To overcome this systematic limitation, we propose the Token-Level Round-Robin (RR) Collaboration, where agents sequentially interleave generation within a shared auto-regressive context. We formalize this process as a discrete-time dynamical system, proving that token-level interleaving transitions aggregation from a brittle counting of final votes (a linear sum) to a dynamic, interwoven chain of logic (a non-linear operator product). Through this theoretical lens, we prove that the honest model's restorative pull can overpower adversarial corruptions, even when corrupted agents form a majority. We conduct an exhaustive empirical evaluation across diverse reasoning benchmarks and demonstrate that while MAJ collapses when corrupted agents reach a majority, RR maintains robust accuracy well beyond this critical threshold.
• Abstract（参考訳）: マルチエージェントの大規模言語モデル (LLM) アーキテクチャは、理性天井を上げるために、Majority Voting (MAJ) のような応答レベルの集約にますます依存している。 しかし、オープンな環境では、エージェントはターゲットのプロンプト注入のようなステルス的な文脈の腐敗に非常に敏感である。 我々は、現在のマルチエージェントシステムにおいて重要な構造的脆弱性を明らかにする: 崩壊したエージェントが局所的な多数を占めると、応答レベルのアグリゲーションが崩壊する。 投票は完全な結論を集約するので、中間論理の欠陥に盲目である。 この体系的な制限を克服するために,エージェントが共有自己回帰的文脈内で生成を逐次インターリーブするToken-Level Round-Robin (RR) Collaborationを提案する。 我々はこのプロセスを離散時間力学系として定式化し、トークンレベルのインターリーブ遷移が最終票の脆い数(線形和)から動的に織り成された論理の連鎖(非線形作用素積)への集約を証明した。 この理論レンズを通して、崩壊したエージェントが多数を占める場合でも、正直なモデルの復元的引力が敵の汚職を圧倒することを示した。 我々は様々な推論ベンチマークで徹底的な実験的な評価を行い、腐敗したエージェントが多数に達するとMAJは崩壊するが、RRはこの臨界しきい値を超えて頑健な精度を維持していることを示した。

関連論文リスト

• Courtroom-Style Multi-Agent Debate with Progressive RAG and Role-Switching for Controversial Claim Verification [2.464003792743989]
  大型言語モデル (LLM) は、幻覚や浅い推論のため、高い精度のクレーム検証には信頼できないままである。 本稿では, 検証を構造化された, 反対の審議会として再編成する, 裁判所方式のマルチエージェントフレームワーク PROClaim を提案する。 提案手法は,プログレッシブRAG (Progressive RAG, P-RAG) と特別な役割(プレーンティフ, ディフェンス, ジャッジ)を統合し, 議論の間, 証拠プールを動的に拡大・洗練する。
  論文  参考訳（メタデータ） (2026-03-30T14:23:15Z)
• Dynamic analysis enhances issue resolution [53.50448142467294]
  DAIRA(Dynamic Analysis-enhanced Issue Resolution Agent)は、エージェントの推論サイクルに動的解析を組み込む自動修復フレームワークである。 テストトレース駆動の方法論によって駆動されるDAIRAは、軽量モニタを使用して重要なランタイムデータを抽出する。 Gemini 3 Flash Previewを使用すると、DAIRAは新たな最先端(SOTA)パフォーマンスを確立し、SWE-bench Verifiedデータセットで79.4%の解像度を達成する。
  論文  参考訳（メタデータ） (2026-03-23T14:48:54Z)
• Auditing Multi-Agent LLM Reasoning Trees Outperforms Majority Vote and LLM-as-Judge [18.843205691780284]
  我々はAgentAuditorを導入し、投票をReasoning Tree上のパス検索に置き換える。 AgentAuditorは、分岐を重要な分岐点で比較することで競合を解決する。 最大5%の得票率で絶対精度が向上し、最大3%の得票率でLLM-as-Judgeを使用する。
  論文  参考訳（メタデータ） (2026-02-10T02:24:53Z)
• AgenticSimLaw: A Juvenile Courtroom Multi-Agent Debate Simulation for Explainable High-Stakes Tabular Decision Making [0.6218206949753592]
  我々はAgenticSimLawを紹介した。これは、透明で制御可能なテストタイム推論を提供するロール構造化マルチエージェントの議論フレームワークである。 ブラックボックスアプローチとは異なり、裁判所スタイルのオーケストレーションでは、エージェントの役割を明確に定義しています。 NLSY97データセットを用いて、この枠組みを若者の復習予測にベンチマークする。
  論文  参考訳（メタデータ） (2026-01-29T16:26:10Z)
• Gaming the Judge: Unfaithful Chain-of-Thought Can Undermine Agent Evaluation [76.5533899503582]
  大規模言語モデル(LLM)は、エージェントのパフォーマンスを評価するために、ますます裁判官として使われている。 このパラダイムは、エージェントのチェーン・オブ・シークレット(CoT)推論が内部の推論と環境状態の両方を忠実に反映していることを暗黙的に仮定している。 我々は、操作された推論だけで、様々なWebタスクにまたがる800の軌跡に対して、最先端のVLM審査員の偽陽性率を最大90%向上させることができることを実証した。
  論文  参考訳（メタデータ） (2026-01-21T06:07:43Z)
• Vulnerable Agent Identification in Large-Scale Multi-Agent Reinforcement Learning [49.31650627835956]
  システムがスケールアップすると、部分的なエージェントの障害は避けられないものとなり、全体的なパフォーマンスが著しく低下するエージェントのサブセットを特定することが重要になる。 本稿では,大規模マルチエージェント強化学習(MARL)における脆弱性エージェント識別(VAI)問題について検討する。 実験により, 大規模MARLおよびルールベースシステムにおいて, より脆弱なエージェントを効果的に同定し, システムを悪用し, それぞれのエージェントの脆弱性を明らかにする値関数を学習した。
  論文  参考訳（メタデータ） (2025-09-18T16:03:50Z)
• When Disagreements Elicit Robustness: Investigating Self-Repair Capabilities under LLM Multi-Agent Disagreements [56.29265568399648]
  我々は、不一致が早期のコンセンサスを防ぎ、探索されたソリューション空間を拡張することを主張する。 タスククリティカルなステップの相違は、ソリューションパスのトポロジによってコラボレーションを損なう可能性がある。
  論文  参考訳（メタデータ） (2025-02-21T02:24:43Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。